Optimum 文档

量化

您正在查看的是需要从源码安装。如果您想通过 pip 常规安装,请查看最新的稳定版本(v1.27.0)。
Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

量化

量化是一种通过使用低精度数据类型(如8位整数 int8)代替通常的32位浮点数(float32)来表示权重和激活值,从而降低运行推理的计算和内存成本的技术。

减少比特数意味着最终的模型需要更少的内存存储,消耗更少的能源(理论上),并且像矩阵乘法这样的操作可以用整数算术更快地执行。它还允许在嵌入式设备上运行模型,这些设备有时只支持整数数据类型。

理论

量化背后的基本思想很简单:将权重和激活值从高精度表示(通常是常规的32位浮点数)转换为较低精度的数据类型。最常见的低精度数据类型是

  • float16,累积数据类型为 float16
  • bfloat16,累积数据类型为 float32
  • int16,累积数据类型为 int32
  • int8,累积数据类型为 int32

累积数据类型指定了对该数据类型的值进行累积(加法、乘法等)操作后结果的类型。例如,让我们考虑两个 int8A = 127B = 127,并定义 CAB 的和

C = A + B

这里的结果远大于 int8 中可表示的最大值 127。因此需要一个更高精度的数据类型来避免巨大的精度损失,否则整个量化过程将变得毫无用处。

量化

两种最常见的量化情况是 float32 -> float16float32 -> int8

量化到 float16

float32 量化到 float16 的过程非常直接,因为这两种数据类型遵循相同的表示方案。在将操作量化到 float16 时,你需要问自己以下问题:

  • 我的操作是否有 float16 的实现?
  • 我的硬件是否支持 float16?例如,英特尔 CPU 一直支持 float16 作为存储类型,但计算是在转换为 float32 后完成的。完全支持将在 Cooper Lake 和 Sapphire Rapids 中实现。
  • 我的操作对较低精度敏感吗?例如,LayerNorm 中 epsilon 的值通常非常小(~ 1e-12),但 float16 中可表示的最小正值约为 6e-5,这可能导致 NaN 问题。同样的问题也适用于非常大的值。

量化到 int8

float32 量化到 int8 更加棘手。int8 只能表示256个值,而 float32 可以表示非常广泛的值。其思想是找到最佳的方式将我们的 float32 值范围 [a, b] 映射到 int8 空间。

让我们考虑一个在 [a, b] 范围内的浮点数 x,那么我们可以写出以下量化方案,也称为仿射量化方案

x = S * (x_q - Z)

其中

  • x_q 是与 x 关联的量化后 int8
  • SZ 是量化参数
    • S 是缩放因子,是一个正的 float32
    • Z 称为零点,它是在 float32 领域中对应于值 0int8 值。这对于能够精确表示值 0 非常重要,因为它在机器学习模型中无处不在。

[a, b] 范围内的 x 的量化值 x_q 可以计算如下

x_q = round(x/S + Z)

而在 [a, b] 范围之外的 float32 值会被裁剪到最接近的可表示值,所以对于任何浮点数 x

x_q = clip(round(x/S + Z), round(a/S + Z), round(b/S + Z))

通常 round(a/S + Z) 对应于所考虑数据类型中可表示的最小值,而 round(b/S + Z) 对应于最大值。但这也可能变化,例如在使用对称量化方案时,你将在下一段中看到。

对称和仿射量化方案

上面的方程被称为仿射量化方案,因为从 [a, b]int8 的映射是仿射的。

这个方案的一个常见特例是对称量化方案,我们考虑一个对称的浮点值范围 [-a, a]。在这种情况下,整数空间通常是 [-127, 127],这意味着 -128 被从常规的 [-128, 127] 有符号 int8 范围中排除了。原因是拥有对称范围可以使 Z = 0。虽然在256个可表示的值中损失了一个,但这可以提供加速,因为可以跳过许多加法操作。

注意:要了解量化参数 SZ 是如何计算的,您可以阅读 《为高效的纯整数算术推理而进行的神经网络量化与训练》 论文,或 Lei Mao关于该主题的博客文章

逐张量和逐通道量化

根据您所追求的精度/延迟权衡,您可以调整量化参数的粒度。

  • 量化参数可以按逐张量计算,这意味着每个张量将使用一对 (S, Z)
  • 量化参数可以按逐通道计算,这意味着可以为张量的某个维度上的每个元素存储一对 (S, Z)。例如,对于一个形状为 [N, C, H, W] 的张量,为第二个维度设置逐通道量化参数将导致有 C(S, Z)。虽然这可以提供更好的精度,但需要更多内存。

校准

上一节描述了从 float32int8 的量化过程,但还有一个问题:float32 值的 [a, b] 范围是如何确定的?这就是校准发挥作用的地方。

校准是量化过程中计算 float32 范围的步骤。对于权重来说,这很简单,因为实际范围在量化时是已知的。但对于激活值来说,情况就不那么明朗了,存在不同的方法:

  1. 训练后动态量化:每个激活值的范围在运行时动态计算。虽然这种方法无需太多工作就能获得很好的结果,但由于每次计算范围会引入开销,因此可能比静态量化稍慢。在某些硬件上,它也不是一个可行的选项。
  2. 训练后静态量化:每个激活值的范围在量化时预先计算好,通常是通过将代表性数据通过模型并记录激活值来实现。实践中的步骤是:
    1. 在激活值上放置观察器以记录其值。
    2. 在校准数据集上进行一定数量的前向传播(大约 200 个样本就足够了)。
    3. 根据某种校准技术计算每个计算的范围。
  3. 量化感知训练:每个激活值的范围在训练时计算,其思想与训练后静态量化相同。但使用“伪量化”算子代替观察器:它们像观察器一样记录值,但同时也模拟量化引起的误差,让模型适应它。

对于训练后静态量化和量化感知训练,都需要定义校准技术,最常见的有:

  • 最小值-最大值:计算的范围是 [观察到的最小值, 观察到的最大值],这对于权重效果很好。
  • 移动平均最小值-最大值:计算的范围是 [移动平均观察到的最小值, 移动平均观察到的最大值],这对于激活值效果很好。
  • 直方图:记录值的直方图以及最小值和最大值,然后根据某个标准进行选择。
    • 熵:计算的范围是使全精度数据和量化数据之间误差最小的范围。
    • 均方误差:计算的范围是使全精度数据和量化数据之间均方误差最小的范围。
    • 百分位数:使用给定的百分位值 p 对观察值计算范围。其思想是尝试使 p% 的观察值在计算的范围内。虽然在进行仿射量化时这是可能的,但在进行对称量化时并不总能精确匹配。您可以查看 ONNX Runtime 中的实现方式 以了解更多细节。

将模型量化到 int8 的实际步骤

为了有效地将模型量化到 int8,需要遵循以下步骤:

  1. 选择要量化的算子。适合量化的算子是那些在计算时间上占主导地位的,例如线性投影和矩阵乘法。
  2. 尝试训练后动态量化,如果速度足够快,则到此为止,否则继续第3步。
  3. 尝试训练后静态量化,这可能比动态量化更快,但通常会降低精度。在您想要量化的地方为模型应用观察器。
  4. 选择一种校准技术并执行。
  5. 将模型转换为其量化形式:移除观察器,并将 float32 算子转换为其 int8 对应物。
  6. 评估量化后的模型:精度是否足够好?如果是,则到此为止,否则从第3步重新开始,但这次使用量化感知训练。

在 🤗 Optimum 中执行量化支持的工具

🤗 Optimum 提供了 API,可以使用不同的工具针对不同的目标执行量化:

  • optimum.onnxruntime 包允许使用 ONNX Runtime 工具量化和运行 ONNX 模型
  • optimum.intel 包能够量化 🤗 Transformers 模型,同时满足精度和延迟约束。
  • optimum.fx 包提供了对 PyTorch 量化函数 的封装,以允许在 PyTorch 中对 🤗 Transformers 模型进行图模式量化。与上述两种相比,这是一个更低级的 API,提供了更大的灵活性,但需要您做更多的工作。
  • optimum.gptq 包允许使用 GPTQ 量化和运行 LLM 模型

更进一步:机器如何表示数字?

本节对于理解其余部分并非至关重要。它简要解释了数字在计算机中的表示方式。由于量化是从一种表示转换为另一种表示,了解一些基础知识可能会有所帮助,但这绝不是强制性的。

计算机最基本的表示单位是比特。计算机中的一切都表示为比特序列,包括数字。但根据所讨论的数字是整数还是实数,其表示方式有所不同。

整数表示

整数通常用以下比特长度表示:8163264。在表示整数时,考虑两种情况:

  1. 无符号(正)整数:它们简单地表示为比特序列。每个比特对应于2的幂(从 0n-1,其中 n 是比特长度),最终的数字是这些2的幂的和。

例如:19 表示为一个无符号的 int8 是 00010011,因为

19 = 0 x 2^7 + 0 x 2^6 + 0 x 2^5 + 1 x 2^4 + 0 x 2^3 + 0 x 2^2 + 1 x 2^1 + 1 x 2^0
  1. 有符号整数:表示有符号整数不那么直接,存在多种方法,最常见的是二进制补码。更多信息,您可以查看关于该主题的 维基百科页面

实数表示

实数通常用以下比特长度表示:163264。表示实数的两种主要方式是

  1. 定点数:保留固定数量的数字来表示整数部分和小数部分。
  2. 浮点数:用于表示整数部分和小数部分的数字数量可以变化。

浮点表示法可以表示更大范围的值,这是我们将重点关注的,因为它最常用。浮点表示法有三个组成部分

  1. 符号位:这是指定数字符号的比特。
  2. 指数部分
  • float16 中有 5 比特
  • bfloat16 中有 8 比特
  • float32 中有 8 比特
  • float64 中有 11 比特
  1. 尾数部分
  • float16 中有 11 比特(10 个显式存储)
  • bfloat16 中有 8 比特(7 个显式存储)
  • float32 中有 24 比特(23 个显式存储)
  • float64 中有 53 比特(52 个显式存储)

有关每种数据类型的比特分配的更多信息,请查看维基百科上关于 bfloat16 浮点格式 的精美插图。

对于一个实数 x,我们有

x = sign x mantissa x (2^exponent)

参考文献

< > 在 GitHub 上更新